تقديم العرض الوظيفي
جيريمي بيرتون، الرئيس التنفيذي لشركة Observe – سلسلة المقابلات
جيريمي بيرتونبيرتون، الرئيس التنفيذي لشركة Observe، هو مدير تنفيذي متمرس في مجال برمجيات المؤسسات، يتمتع بخبرة قيادية تزيد عن 20 عامًا في شركات تقنية كبرى، منها Dell Technologies وEMC وOracle وVERITAS. قاد فرقًا عالمية في تطوير المنتجات والتسويق وعمليات الدمج والاستحواذ الاستراتيجية، وأسس ووسّع نطاق أعماله في مجالات التخزين والأمن والبرمجيات كخدمة (SaaS). شارك بيرتون أيضًا في تأسيس شبكة Oracle Technology Network، التي نمت لتضم ملايين الأعضاء حول العالم، وهو حاليًا عضو في مجلس إدارة Snowflake ومستشار لفريق McLaren للفورمولا 1.
رصد، ومقرها سان ماتيو، كاليفورنيا، منصة مراقبة برمجيات كخدمة (SaaS) من الجيل التالي، تُساعد فرق هندسة البرمجيات (SRE) وDevOps والهندسة على استكشاف الأنظمة الموزعة الحديثة وتحسينها. تعتمد المنصة على البنية التحتية لبيانات Snowflake، وتوحّد السجلات والمقاييس والتتبعات في مجموعة بيانات واحدة غنية بالسياق، مما يُمكّن الفرق من تسريع الاستجابة للحوادث، وتحديد الأسباب الجذرية، وتحسين الموثوقية عبر بيئات سحابية معقدة.
شغلتَ مناصب قيادية عليا في شركات عالمية عملاقة مثل ديل وإي إم سي وأوراكل، والآن تقود شركة ناشئة مع أوبزرف. ما الذي دفعك للتخلي عن الاستقرار والتوسع والانطلاق نحو بناء شركة من الصفر؟
لقد حالفني الحظ في مسيرتي المهنية بالعمل مع قادةٍ رائعين، منهم لاري إليسون ومايكل ديل. عملت معهم لمدة 20 أو 30 عامًا، لكن ما يميزهم هو تواجدهم منذ البداية. اتخذوا القرارات الأولية المتعلقة بالمنتج، ومهّدوا الطريق للتسويق، وأرسوا ثقافةً للنجاح على المدى الطويل. كان دوري هو تقديم تحسيناتٍ تدريجية تُضاف إلى عقودٍ من العمل الدؤوب الذي بذلوه. في النهاية، وصلتُ إلى مرحلةٍ في مسيرتي المهنية أردتُ فيها أن أثبت لنفسي أنني أيضًا قادرٌ على بناء شركة، ومواءمة المنتج مع السوق، وتأسيس حركة مبيعات، وبناء ثقافةٍ أعتقد أنها ستزدهر على المدى الطويل.
تُرسّخ Observe مكانتها كفئة جديدة في مجال المراقبة، حيث تدمج السجلات والتحليلات والمراقبة في منصة واحدة موحدة. كيف ترى أن هذا النهج سيُعيد تعريف هذا المجال مقارنةً بالشركات العريقة مثل Splunk وDatadog؟
تكمن المشكلة الكبرى التي تواجه الأدوات القديمة في أنها لم تُصمَّم للتوسع. في محادثاتنا مع العملاء، لاحظنا مرارًا وتكرارًا أن تكاليف Splunk وDatadog أصبحت باهظة مع تزايد حجم بيانات القياس عن بُعد، وهذه مشكلة جوهرية في كيفية تصميم الأدوات القديمة.
يختلف Observe في أن منصتنا مبنية على بنية بحيرة بيانات متدفقة باستخدام صيغ مفتوحة مثل Apache Iceberg. هذا يعني أنه يمكننا فصل الحوسبة عن التخزين، والتوسع بمرونة، وتوفير إمكانية المراقبة بتكلفة أقل بكثير من الأنظمة التقليدية. لا يزال المنافسون مثل Splunk يعتمدون على بنى متجانسة تتطلب التخطيط لأقصى سعة - وحتى الأدوات الأحدث مثل Datadog تتطلب تصنيف البيانات وإعادة ترطيبها وإعادة فهرستها للحفاظ على التكاليف تحت السيطرة.
نركز أيضًا على تجربة مراقبة موحدة. جميع السجلات والمقاييس والتتبعات والأحداث موجودة في مكان واحد، باستخدام لغة استعلام واحدة ورسم بياني معرفي يربط تلقائيًا العلاقات بين الخدمات والمستخدمين والحوادث. هذا السياق هو ما يُسرّع استكشاف الأخطاء وإصلاحها. في المقابل، يمتلك Splunk وDatadog واجهات خلفية منفصلة للسجلات والمقاييس والتتبعات، مما يؤدي إلى تحليلات أبطأ.
أخيرًا، استثمرنا بكثافة في استكشاف الأخطاء وإصلاحها باستخدام الذكاء الاصطناعي. يستطيع نظام O11y AI SRE™ الخاص بنا استيعاب مُدخلات اللغة الطبيعية، وإنشاء فرضيات، وتوجيه المهندسين خلال حل المشكلات، وليس مجرد تنبيههم. وهو مصمم للاستفادة من مخطط المعرفة لدينا، الذي يوفر السياق اللازم لاستكشاف الأخطاء وإصلاحها بدقة. وهذا يُمثل خطوةً متقدمةً في اكتشاف الشذوذ أو تنبيهه الذي يُقدمه معظم المنافسين اليوم.
ببساطة: نحن فعّالون من حيث التكلفة، وموحدون، ومنفتحون. هذه الصفات الثلاث هي ما يُؤكده عملاؤنا باستمرار بأنها تُميز Observe عن الشركات العريقة مثل Splunk والشركات الناشئة مثل Datadog.
بعد أن أشرفت على عمليات بمليارات الدولارات وأدير الآن شركة ناشئة، ما هي الدروس التي تعلمتها من الشركات الكبرى حول الكفاءة والمرونة والابتكار وما هي الدروس التي لا أتعلمها؟
قد يبدو الأمر غير بديهي، لكن الشركات الكبيرة الناجحة تُنجز عددًا محدودًا من الأمور بإتقان، وتُدرك كل التفاصيل. أما الشركات التي تفشل فتُفرط في العمل، فيتدهور كل شيء إلى مستوى متوسط.
في الشركات الناشئة، تُركز على شيء واحد في كل مرة وتُركز على كل تفصيلة. لا يتوفر تمويل كافٍ لإنجاز أكثر من ذلك. ونتيجةً لذلك، ما يجعل الشركات الناشئة مُرهِقةً للغاية هو إمكانية إفلاسها حرفيًا إذا لم تُدرك الأمور بالسرعة الكافية. لذلك، عليك اتخاذ القرارات بسرعة أكبر، وإطلاق المشاريع بسرعة أكبر، والفشل بسرعة أكبر، والتعلم بسرعة أكبر. علاوةً على ذلك، عليك القيام بكل ذلك بعدد أقل من الموظفين.
مع ذلك، فإن الجانب الأكثر تحررًا في الشركات الناشئة هو عدم امتلاكها منتجًا راسخًا، أو نموذج أعمال، أو مسارًا للتسويق. هذا يعني أن لديك حرية كاملة في تكوين افتراضات جديدة حول كل هذه الأمور. هذا ليس هو الحال في الشركات الكبيرة. على سبيل المثال، لا يمكنك كسر نموذج العمل بمنتج جديد مُبتكر. حتى لو تمكنت من بناءه تقنيًا، فلن يسمح لك المدير المالي وول ستريت بتعظيم إمكاناته. لهذا السبب تنجح الشركات الناشئة في كثير من الأحيان، بينما من المفترض نظريًا ألا يكون لها أي فرصة.
كنتَ أيضًا عضوًا في مجلس إدارة سنوفليك لما يقرب من عقد من الزمان. ما الذي تعلمته من رحلة سنوفليك والذي يُلهم استراتيجيتك في أوبزرف؟
عالجت سنوفليك مشكلةً قديمةً ببنيةٍ معماريةٍ جديدة. بنوا تقنيتهم على فكرةٍ بسيطةٍ لكنها فعّالة، وغيّروا سوقًا ضخمًا غارقًا في ضغوط البائعين التقليديين. هناك درسان هنا: العمل في أسواقٍ ضخمةٍ يُمكّنك من بناء شركةٍ ضخمة. بالإضافة إلى ذلك، يجب أن تتبنى نهجًا مختلفًا جذريًا عن الشركات القائمة حتى يرى العميل فوائدَ كبيرةً في الانتقال.
سوق المراقبة الذي نستهدفه ضخم، يبلغ 30 مليار دولار أمريكي، وهو في ازدياد. لقد حللنا مشكلة المراقبة بطريقة فريدة للغاية: باستخدام أساس بحيرة البيانات، والحوسبة المرنة، والصيغ المفتوحة. هذا يُبشر بتحسين هائل في سرعة استكشاف الأخطاء وإصلاحها والتكلفة الإجمالية.
لقد انخرطتَ بعمق في تطوير المنتجات والتسويق وعمليات الدمج والاستحواذ واسعة النطاق. كيف تؤثر هذه الخلفية الواسعة على أولوياتك في استراتيجيات النمو في Observe؟
في بدايات أي شركة ناشئة، يكون الأمر بسيطًا للغاية: بناء منتج رائع ومحاولة بيعه. هذه هي استراتيجية النمو. مع ذلك، ينصب تركيزي المهني بشكل كبير على برمجيات المؤسسات وحل المشكلات المعقدة للشركات الكبيرة، لذا ليس من المستغرب أن تُركز Observe بشكل كامل على ذلك!
بناءً على خبرتي، أعتقد أن بناء شركة مراقبة كبيرة يتطلب حل مشكلة أكبر الشركات في العالم، وهي مشكلة كميات البيانات الهائلة، وآلاف المستخدمين، وآلاف التطبيقات. هناك العديد من شركات المراقبة، لكن قلة منها فقط قادرة على النجاح في هذا المجال، وأنا أحرص على أن تتمكن Observe من ذلك.
أصبحت إمكانية المراقبة بالغة الأهمية مع تزايد تعقيد التطبيقات الموزعة الحديثة. ما هي برأيك أكبر التحديات والفرص التي تواجهها الشركات خلال السنوات الثلاث إلى الخمس المقبلة؟
التحدي الأكبر اليوم هو الحجم. تُنتج أنظمة Kubernetes والخدمات المصغرة، والآن أحمال عمل الذكاء الاصطناعي، كميات هائلة من البيانات تُثقل كاهل الأدوات التقليدية. تنخفض موثوقية هذه الأدوات بشدة مع ارتفاع تكلفتها، وهي ببساطة غير مستدامة؛ لذا، لا بد من تطوير بنية جديدة.
ومما يزيد الطين بلة، أنه خلال السنوات القليلة القادمة، سنشهد كتابة المزيد من الأكواد البرمجية، بمساعدة أدوات برمجة الذكاء الاصطناعي، أكثر من أي وقت مضى. لن تكون هذه الأكواد مثالية، بل ستفشل في مرحلة ما. يكمن مجال النمو في سؤال نفسك: كيف تستكشف أخطاء الأكواد البرمجية التي لم يكتبها أحد؟ أو، بينما تستطيع أدوات توليد الأكواد البرمجية فحص الأكواد وإصلاح الأخطاء، هل يمكنها حقًا دراسة سلوك التطبيق في بيئة الإنتاج واكتشاف الأكواد المُشكلة؟ هذه فرصة هائلة لمُطوري أدوات المراقبة في المستقبل.
تواجه العديد من الفرق صعوبة في التعامل مع توسع الأدوات، حيث تستخدم أنظمة منفصلة للسجلات والمقاييس والتتبعات. كيف يُساعد Observe في تبسيط هذه التجربة عمليًا لفرق الهندسة وDevOps؟
بدلاً من استخدام ثلاث أو أربع أدوات، يوفر Observe للعملاء منصة واحدة. تُجمع سجلات الشركة ومقاييسها وتتبعاتها وتنبيهاتها في النظام نفسه، وترتبط ببعضها البعض عبر رسم بياني معرفي. يوفر الرسم البياني المعرفي سياقًا يتيح للمستخدمين التنقل بسلاسة بين السجلات والمقاييس والتتبعات لتسريع عملية استكشاف الأخطاء وإصلاحها. هذا يُقلل من الوقت الذي يقضونه في التنقل بين المنصات، ويسمح لهم باكتشاف المشكلة دون الحاجة إلى تصدير البيانات أو تبديل السياق.
هل يمكنك مشاركة مثال ملموس حول كيفية مساعدة Observe للعميل في حل مشكلة كبيرة - وهو أمر كان من الصعب أو المستحيل حله باستخدام أدوات المراقبة التقليدية؟
تستخدم Capital One منصة Observe لرصد حالة رحلات العملاء المهمة من خلال ربط بيانات القياس عن بُعد وإثرائها بسياق العمل ذي الصلة. تستوعب المنصة مئات التيرابايتات من بيانات القياس عن بُعد يوميًا، بما في ذلك السجلات والمقاييس والتتبعات وسجلات التغيير وسجلات تدفق VPC وبيانات تكوين AWS. توفر Observe لشركة Capital One منصة موحدة للمراقبة الشاملة، مما يتيح للمطورين ومهندسي أمن الشبكات الاستجابة التفاعلية للحوادث وتصحيح الأخطاء.
ما هو الدور الذي يلعبه التعلم الآلي أو الذكاء الاصطناعي خلف الكواليس في Observe، وكيف يساعد العملاء على إظهار الرؤى بشكل أسرع أو اكتشاف المشكلات تلقائيًا؟
للتعلم الآلي تاريخٌ متقلبٌ في قابلية الملاحظة، لأن بيئات المؤسسات مليئةٌ بالتشويش بطبيعتها، ويصعب إنتاج نموذج لا ينتج عنه آلاف التشوهات. أما الذكاء الاصطناعي التوليدي، فهو تقنيةٌ مختلفةٌ تمامًا، وسيكون له تأثيرٌ أعمق بكثير.
نعتقد أن الذكاء الاصطناعي سيُغير طريقة تفاعل المهندسين مع أدوات المراقبة. أولًا، سيتمكنون من التواصل مباشرةً مع بيانات المراقبة الخاصة بهم بلغة طبيعية أثناء استخدامهم لبيئة التطوير المتكاملة (IDE)، وقد لا يتمكن نصف مستخدمينا في المستقبل من تسجيل الدخول أو تعلم المراقبة! ثانيًا، سيتواجد وكلاء الذكاء الاصطناعي في أوقات السلم لمسح بيانات القياس عن بُعد والبحث عن المشكلات المحتملة التي قد تؤدي في النهاية إلى وقوع حادث. لا يتعب وكلاء الذكاء الاصطناعي أو يملّون، ويمكنهم أداء أعمال يعجز البشر عن القيام بها. وأخيرًا، في أوقات الحرب، سيساعد وكلاء الذكاء الاصطناعي المهندسين ومهندسي هندسة البرمجيات في تحديد الإجراءات اللازمة لحل المشكلة.
أسلوب قيادتك المستوحى من الفورمولا 1 يُركز على القوة الذهنية والتعلم من الأخطاء. كيف ساهم هذا المنظور في تشكيل نهجك في بناء فريق Observe وقيادة الفريق خلال الانتصارات والتحديات؟
يُبنى النجاح في الفورمولا 1 على البيانات لتوجيه القرارات المستقبلية، سواءً للسائق أو السيارة. مع وصول سيارة الفورمولا 1 إلى نهاية الموسم، تكون قد استُبدلت 90% من أجزائها، وتصبح أسرع بثانيتين على حلبة السباق.
في "أوبزرف"، علينا أن نتحلى بنفس العقلية لتحقيق النجاح. نُصدر، نقيس، ننصت، نتكيف بسرعة. أتصور أن 90% من منتجاتنا اليوم مختلف عما كانت عليه قبل عامين. يتطلب هذا النهج انضباطًا كبيرًا وتواضعًا كبيرًا، فليس من السهل سماع الأخبار السيئة مرارًا وتكرارًا. ومع ذلك، إذا تصرفنا بناءً على ما يكفي من الأخبار السيئة، فإنها تتحول تدريجيًا إلى أخبار جيدة، ويتسارع معدل العائد السنوي. إنه ليس سحرًا، بل منطق!
شكرا لك على المقابلة الرائعة ، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا رصد.
